一种基于多模式阈值优化的星载转台故障检测方法与流程

1.本发明涉及测量技术领域，特别是涉及一种基于多模式阈值优化的星载转台故障检测方法。


背景技术：

2.当前，随着科学技术水平的飞速发展，各国加快了对外太空的探索步伐，运载火箭、航天飞机、载人飞船、人造卫星等大型航天器不断涌现。其中，遥感及各类空间探测卫星作为一种人类探索空间及地球的重要手段，在各国发射的人造卫星中占据的比例越来越大。而作为卫星上的一类重要载荷，星载转台在卫星在轨探测及空间通信任务中的地位举足轻重。然而，星载转台在轨运行期间，由于空间环境的变化及转动部件性能的退化，经常出现因转台轴系摩擦增大而导致转台转动阻力增大，甚至出现在轨瞬间卡死而造成卫星姿态失稳的情况，不但影响了卫星在轨任务执行效率，而且危及了在轨卫星本体安全。因此，及时快速检测星载转台在轨故障，对确保在轨卫星任务质量及安全运行至关重要。
3.目前，对卫星系统各部件的在轨故障检测主要采用遥测参数判读法，航天器遥测数据按一定的帧频下传至地面，管理人员以各部件的关键参数(如电机电流等)为监视重点，结合其在轨工作模式，在监测系统中设置相应的超限报警阈值，若监测到某一参数超出阈值范围，则给出报警信息，完成故障检测。该故障检测方法简单，只要超限报警阈值设置合理，就能够及时发现部件在轨异常。显然，报警阈值的设置是快速准确检测故障的前提。但实际运行过程中，这一方法仍存在三个方面的问题：(1)初始报警阈值一般由卫星研制部门根据部件的设计指标确定，设定的初始阈值区间较为保守，不利于发现阈值范围内的趋势性缓变故障，容易出现故障漏报问题，容易造成故障的进一步恶化并发展为严重故障；(2)阈值区间的设置往往与部件实际在轨运行状态存在一定差异，使得部件性能退化后，初始阈值的适应性变差。(3)当卫星某些参数值因工作模式切换、运行环境变化等原因而变化时，报警阈值无法准确设定，且采用某一固定阈值无法覆盖所有工况的变化，容易造成较大的故障虚警率或漏报率。因此，有必要在初始阈值条件下，根据部件实际在轨工作模式和运行状态，对初始阈值进行优化，得到更为合理的故障报警阈值，使其既能适应不同工作模式下的缓变故障检测需求，又能适应部件长期运行带来的状态变化影响。
4.目前，故障报警阈值的优化方法主要有基于模型、基于知识和基于数据等方法。其中，基于模型的方法要求必须准确掌握系统运行机理模型，对于在轨星载转台的复杂系统而言，很难准确建立系统的机理模型。基于数据驱动的阈值优化方法主要对历史数据的最佳利用实现阈值更新，但需要准确掌握系统参数的先验分布，且此类方法大多属于“黑箱”模型，在模型可解释性方面表现不足。此外，以往的大多数阈值优化方法一般仅从系统单模式的角度进行优化，并未考虑系统的多模式工作特性。因此，其适用范围有限。以上现有的阈值优化方法在应用于星载转台故障检测时，由于入轨前多模式初始阈值设置不合理，往往会造成初始阈值与在轨运行状态差异大引起的故障检测率低等问题。
5.相比而言，融合专家知识和历史数据的多源信息融合方法，能够有效利用领域专
家知识，并结合历史观测数据，建立相对准确的系统模型，在多属性决策中得到了广泛应用，取得了良好效果。作为一种典型的madm方法，证据推理(evidential reasoning,er)方法将多个独立的证据组合起来以实现多源信息融合，能够有效处理各种不确定性。为了进一步增强er方法对区间不确定性的建模能力，王应明等人将er方法扩展到了具有区间置信度的er方法(er approach with interval belief degrees,er-ibd)。参数阈值作为监测卫星在轨运行状态有效手段，是一种典型的领域专家知识，也存在一定的区间不确定性，可以采用er-ibd方法来处理这类区间不确定性。因此，提出一种既能够有效融合专家知识和历史观测数据，又能够兼顾系统不同工作模式的多模式阈值优化方法是一个亟待解决的问题。


技术实现要素：

6.本发明的目的是提供一种基于多模式阈值优化的星载转台故障检测方法，以实现对星载转台多模式下的阈值优化，提高星载大型转动部件多模式条件下的在轨故障检测能力。
7.为实现上述目的，本发明提供了如下方案：
8.一种基于多模式阈值优化的星载转台故障检测方法，包括：
9.构建基于证据推理的多模式阈值优化框架；
10.确定所述多模式阈值优化框架下每个关键参数的初始区间参考值；
11.根据所述每个关键参数的初始区间参考值进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值；
12.基于所述优化阈值进行星载转台在线故障检测。
13.可选地，所述构建基于证据推理的多模式阈值优化框架，具体包括：
14.获取星载转台在轨稳态工作模式；所述稳态工作模式包括低速稳态运行模式、高速稳态运行模式；
15.提取星载转台关键参数在每种所述稳态工作模式下的监测阈值；所述关键参数包括转台电机电流、供电监测电压和转台转速；
16.以所述稳态工作模式为证据推理的评估等级，并将不同稳态工作模式下的所述监测阈值作为每个所述评估等级的区间参考值，构建每个所述关键参数基于区间参考值证据推理的多模式阈值优化框架。
17.可选地，所述确定所述多模式阈值优化框架下每个关键参数的初始区间参考值，具体包括：
18.根据星载转台部件的设计指标和地面测试数据，确定不同稳态工作模式下每个关键参数的初始工作阈值区间值；
19.在已构建的所述多模式阈值优化框架下，将所述每个关键参数的初始工作阈值区间值赋予每个关键参数在每个评估等级下的区间参考值。
20.可选地，所述根据所述每个关键参数的初始区间参考值进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值，具体包括：
21.在相邻两个评估等级区间参考值交叉的情况下进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值；或者
22.在相邻两个评估等级区间参考值相互独立的情况下进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值。
23.可选地，所述在相邻两个评估等级区间参考值交叉的情况下进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值，具体包括：
24.获取训练数据集和测试数据集；所述训练数据集包括所述关键参数在所述稳态工作模式下的正常历史观测数据；所述测试数据集包括所述关键参数在两个评估等级下的历史观测数据；所述历史观测数据包括正常数据和异常数据；
25.采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估等级下的区间置信度；
26.根据所述相邻两个训练样本在不同评估等级下的区间置信度，计算相邻两个训练样本在不同评估等级下的区间概率质量；所述区间概率质量和所述区间参考值共同组成待优化参数；
27.采用投影协方差自适应进化算法对所述待优化参数进行优化，生成优化后参数；
28.根据所述优化后参数对所述测试数据集中的测试样本进行虚警率和漏报率测试，判断是否满足优化截止条件；
29.若满足所述优化截止条件，将所述优化后参数作为所述优化阈值；
30.若不满足所述优化截止条件，更新所述区间参考值和迭代次数，返回所述采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估等级下的区间置信度的步骤。
31.可选地，所述在相邻两个评估等级区间参考值相互独立的情况下进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值，具体包括：
32.获取训练数据集和测试数据集；所述训练数据集包括所述关键参数在所述稳态工作模式下的正常历史观测数据；所述测试数据集包括所述关键参数在所述稳态工作模式下的历史观测数据；所述历史观测数据包括正常数据和异常数据；
33.采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估等级下的区间置信度；
34.根据所述相邻两个训练样本在不同评估等级下的区间置信度，计算相邻两个训练样本在不同评估等级下的区间概率质量；所述区间概率质量和所述区间参考值共同组成待优化参数；
35.采用投影协方差自适应进化算法对所述待优化参数进行优化，生成优化后参数；
36.根据所述优化后参数对所述测试数据集中的测试样本进行虚警率和漏报率测试，判断是否满足优化截止条件；
37.若满足所述优化截止条件，将所述优化后参数作为所述优化阈值；
38.若不满足所述优化截止条件，更新所述区间参考值和迭代次数，返回所述采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估等级下的区间置信度的步骤。
39.可选地，所述基于所述优化阈值进行星载转台在线故障检测，具体包括：
40.根据所述优化阈值对星载转台在不同稳态工作模式下的多个关键参数进行基于单变量阈值的在线故障检测，生成单变量阈值检测结果；
41.根据所述单变量阈值检测结果进行故障报警。
42.根据本发明提供的具体实施例，本发明公开了以下技术效果：
43.本发明提供了一种基于多模式阈值优化的星载转台故障检测方法，所述方法包括：构建基于证据推理的多模式阈值优化框架；确定所述多模式阈值优化框架下每个关键参数的初始区间参考值；根据所述每个关键参数的初始区间参考值进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值；基于所述优化阈值进行星载转台在线故障检测。本发明创新利用证据推理算法融合多模式阈值及监测数据，并对多模式阈值进行优化，实现对星载转台的在轨故障检测，解决了入轨前多模式初始阈值设置不合理、初始阈值与在轨运行状态差异大带来的故障检测率低等问题。本发明方法能够充分融合专家知识，提高星载转台在轨故障检测能力，具有很好的工程应用价值。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明提供的一种基于多模式阈值优化的星载转台故障检测方法的流程图；
46.图2为本发明提供的相邻评估等级区间参考值交叉示意图(情况一)；
47.图3为本发明提供的相邻评估等级区间参考值独立示意图(情况二)；
48.图4为本发明提供的多模式阈值优化流程图(情况一)；
49.图5为本发明提供的单模式阈值优化流程图(情况二)；
50.图6为本发明实施例提供的高速稳态模式下转台角速度阈值优化结果示意图；
51.图7为本发明实施例提供的高速稳态模式下转台电机电流阈值优化结果示意图；
52.图8为本发明实施例提供的高速稳态模式下转台供电监测电压阈值优化结果示意图；
53.图9为本发明实施例提供的转台电机电流异常增大时的故障检测结果示意图。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.本发明的目的是提供一种基于多模式阈值优化的星载转台故障检测方法，以实现对星载转台多模式下的阈值优化，提高星载大型转动部件多模式条件下的在轨故障检测能力。
56.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
57.图1为本发明实施例提供的一种基于多模式阈值优化的星载转台故障检测方法的
流程图。如图1所示，本发明一种基于多模式阈值优化的星载转台故障检测方法包括：
58.步骤101：构建基于证据推理的多模式阈值优化框架。
59.本发明方法首先进行基于区间参考值证据推理的多模式阈值优化框架构建。所述的基于区间参考值证据推理的多模式阈值优化框架构建的过程为：
60.过程1.1：分析确定星载转台在轨主要工作模式，如低速稳态运行模式、高速稳态运行模式等；
61.过程1.2：提取转台电机电流、供电监测电压和转台转速等参数在每种工作模式下的工作阈值；
62.过程1.3：以转台工作模式为证据推理的评估等级，并将不同模式下的工作阈值作为每个评估等级的区间参考值，构建相应的区间参考值证据推理(evidential reasoning with interval reference values,er-irv)框架。
63.因此，所述步骤101构建基于证据推理的多模式阈值优化框架具体包括：
64.步骤1.1：获取星载转台在轨稳态工作模式；所述稳态工作模式包括低速稳态运行模式、高速稳态运行模式。
65.分析确定星载转台在轨主要稳态工作模式(简称工作模式)，如低速稳态运行模式、高速稳态运行模式等。如：一个多模式系统识别出有n种稳态工作模式，分别定义为h1,h2,
…
,hn。
66.步骤1.2：提取星载转台关键参数在每种所述稳态工作模式下的监测阈值；所述关键参数包括转台电机电流、供电监测电压和转台转速。
67.提取星载转台关键参数(例如转台电机电流、供电监测电压和转台转速等参数)在每种工作模式下的监测阈值(也称工作阈值)。如：共提取了l个关键变量(即关键参数)，分别表示为x1,x2,
…
,x
l
。对于第i个变量而言，其在第n种稳态工作模式下的监测阈值表示为
68.步骤1.3：以所述稳态工作模式为证据推理的评估等级，并将不同稳态工作模式下的所述监测阈值作为每个所述评估等级的区间参考值，构建每个所述关键参数基于区间参考值证据推理的多模式阈值优化框架。
69.以转台工作模式为证据推理的评估等级，并将不同模式下的监测阈值作为每个评估等级的区间参考值，构建每个参数基于区间参考值证据推理(evidential reasoning with interval reference values,er-irv)的多模式识别框架。该框架下，系统的每个稳态模式作为框架下的每个评估等级，且所有稳态模式构成了er-irv的辨识框架(即多模式阈值优化框架)，表示为θ＝{h1,h2,
…
,hn}。此外，辨识框架中每个评估等级的参考值表示为一个区间参考值。如：对于评估等级hn而言，其区间参考值的上界为第i个变量在第n种工作稳态模式下的监测阈值上界其下界则为第i个变量在第n种工作稳态模式下的监测阈值下界
70.步骤102：确定所述多模式阈值优化框架下每个关键参数的初始区间参考值。
71.步骤102进行每个关键参数的初始区间参考值确定。所述的初始区间参考值确定的过程包括：
72.过程2.1：由专家根据星载转台部件的设计指标和地面测试数据，给定其在不同工
作模式下的初始工作阈值区间值
73.过程2.2：在已构建的区间参考值证据推理(er-irv)框架下，将初始阈值赋予每个评估等级的区间参考值。其中，将赋予第i个参数在第n个评估等级hn的区间参考值下界，将赋予第i个参数在第n个评估等级hn的区间参考值上界。
74.因此，所述步骤102确定所述多模式阈值优化框架下每个关键参数的初始区间参考值具体包括：
75.步骤2.1：根据星载转台部件的设计指标和地面测试数据，确定不同稳态工作模式下每个关键参数的初始工作阈值区间值；
76.由专家根据星载转台部件的设计指标和地面测试数据，给定所选关键变量在不同稳态工作模式下的初始监测阈值
77.步骤2.2：在已构建的所述多模式阈值优化框架下，将所述每个关键参数的初始工作阈值区间值赋予每个关键参数在每个评估等级下的区间参考值。
78.在已构建的区间参考值证据推理(er-irv)框架下，将初始阈值赋予每个评估等级的区间参考值。其中，将赋予第i个变量在第n个评估等级hn的区间参考值下界，将赋予第i个变量在第n个评估等级hn的区间参考值上界。
79.步骤103：根据所述每个关键参数的初始区间参考值进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值。
80.所述步骤103进行基于区间参考值证据推理的多模式阈值迭代优化，所述的区间参考值证据推理的多模式阈值迭代优化主要分为两种情况：
81.情况一：相邻两个评估等级(如：评估等级n和n 1)的区间参考值存在交叉的情况，可以实现对两个评估等级下的阈值进行优化。所述的阈值优化过程为：
82.过程3.1：训练数据集和测试数据集获取。导入某个变量在模式n下的历史观测数据，作为训练数据集；此外，导入该变量在模式n和n 1下的历史观测数据(含正常数据和异常数据)，分别作为两种模式下对应的测试数据集。
83.过程3.2：训练数据向区间置信度的转换。根据获取的训练数据集，确定训练数据xi(tj)与第i个参数的各区间参考值之间的位置关系，定位训练样本所落入的参考值区间；按照基于效用的信息转换技术将训练样本转换为不同模式下对应的区间置信度并形成相应的区间置信结构。
84.步骤过程3.3：区间概率质量求解。每一轮迭代中，按照时间序列顺序，每次提取系统在模式n下相邻的两个训练数据样本点，根据求得的每个训练样本在不同模式下的区间置信度，求取相应的区间概率质量和其中n＝1,
…
,n。
85.过程3.4：证据融合与阈值优化。构建基于er-irv的参数优化模型，所述的参数优
化模型的目标函数为约束条件为
[0086][0087]
和其中ej表示两个训练样本所形成的证据，j＝1,2；k表示迭代的次数。待优化的参数为：
[0088][0089]
所述优化方法采用投影协方差自适应进化算法(p-cma-es)对参数进行优化，得到第k轮的优化后参数，其中包括和
[0090]
过程3.5：优化截止条件判断。考虑接收工作特性曲线(receiver operating characteristic，roc)的最优阈值特点，根据每一轮优化后得到的参考值characteristic，roc)的最优阈值特点，根据每一轮优化后得到的参考值和对第i个参数在模式n和模式n 1下的测试数据进行虚警率(false alarm rate,far)和漏报率(missed alarm rate，mar)测试，所定义的优化截止条件为：|far
n,i-mar
n,i
|≤ε和|far
n 1,i-mar
n 1,i
|≤ε。若满足截止条件，则将相应的区间参考值作为第i个参数在模式n和模式n 1下的最优阈值，即和优化结束。否则，进入过程3.6；
[0091]
过程3.6：更新区间参考值。按照一定的更新速度，对本轮优化后的区间参考值进行更新。随后更新迭代次数，使得k＝k 1，导入训练数据中的下两个训练样本点，返回过程3.2，重复执行过程3.2至3.6，直至满足优化截止条件。
[0092]
情况二：相邻两个评估等级的区间参考值独立的情况，此时仅用于实现对一个评估等级下的阈值进行优化。所述的阈值优化过程为：
[0093]
过程3.1)：训练数据集和测试数据集获取。导入某个变量在模式n下的历史观测数据，作为训练数据集；此外，导入该变量在模式n下的历史观测数据(含正常数据和异常数据)，作为该模式下对应的测试数据集。
[0094]
过程3.2)训练数据向区间置信度的转换。根据获取的训练数据集，确定训练数据xi(tj)与第i个参数的各区间参考值之间的位置关系，定位训练样本所落入的参考值区间；按照基于效用的信息转换技术将训练样本转换为不同模式下对应的区间置信度并形成相应的区间置信结构。
[0095]
过程3.3)：区间概率质量求解。每一轮迭代中，按照时间序列顺序，每次提取系统在模式n下相邻的两个训练数据样本点，根据求得的每个训练样本在不同模式下的区间置信度，求取相应的区间概率质量和其中n＝1,
…
,n。
[0096]
过程3.4)：证据融合与阈值优化。构建基于er-irv的参数优化模型，所述的参数优化模型的目标函数为约束条件为
其中j＝1,2，表示两个训练样本所形成的证据；k表示迭代的次数。待优化的参数为：
[0097][0098]
所述优化方法采用投影协方差自适应进化算法(p-cma-es)对参数进行优化，得到第k轮的优化参数，其中包括和
[0099]
过程3.5)：优化截止条件判断。考虑接收工作特性曲线(receiver operating characteristic，roc)的最优阈值特点，根据每一轮优化后得到的参考值和对第i个参数在模式n下的测试数据进行虚警率(false alarm rate,far)和漏报率(missed alarm rate,mar)测试，所定义的优化截止条件为：|far
n,i-mar
n,i
|≤ε。若满足截止条件，则将相应的区间参考值作为第i个参数在模式n下的最优阈值，即优化结束。否则，进入过程3.6)；
[0100]
过程3.6)：更新区间参考值。按照一定的更新速度，对本轮优化后的区间参考值进行更新。随后更新迭代次数，使得k＝k 1，导入训练数据中的下两个训练样本点，返回过程3.2)，重复执行过程3.2)至3.6)，直至满足优化截止条件。
[0101]
因此，所述步骤103根据所述每个关键参数的初始区间参考值进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值具体包括：
[0102]
步骤3.1：在相邻两个评估等级区间参考值交叉的情况下进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值。
[0103]
步骤103区分两种情况实施：情况一，相邻两个评估等级(如：评估等级n和n 1)的区间参考值存在交叉的情况，如附图2所示。情况二，相邻两个评估等级(如：评估等级n和n 1)的区间参考值相互独立的情况，如附图3所示。
[0104]
图4为本发明提供的多模式阈值优化流程图(情况一)。参见图4，所述步骤3.1具体包括：
[0105]
步骤3.1.1：获取训练数据集和测试数据集；所述训练数据集包括所述关键参数在所述稳态工作模式下的正常历史观测数据；所述测试数据集包括所述关键参数在两个评估等级下的历史观测数据；所述历史观测数据包括正常数据和异常数据。
[0106]
导入训练数据和测试数据。收集获取第i个变量在稳态工作模式n下的正常历史观测数据作为训练数据集，表示为{x
n,i
(t-t
n,i
),x
n,i
(t-t
n,i
h),
…
,x
n,i
(t)}，其中h为训练数据的采样间隔，t为采样时刻，t
n,i
为第i个变量在稳态工作模式n下训练数据集的采样总时长。此外，获取第i个变量在稳态工作模式n和n 1下的历史观测数据(含正常数据和异常数据)作为两组测试数据集，分别表示为{x
n,i
(t
1-t),x
n,i
(t
1-t 1),
…
,x
n,i
(t1)}和{x
n 1,i
(t
2-t),x
n 1,i
(t
2-t 1),
…
,x
n 1,i
(t2)}。其中t为第i个变量在稳态工作模式n和n 1下测试数据集的采样总时长。
[0107]
步骤3.1.2：采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练
样本在不同评估等级下的区间置信度。
[0108]
此步骤为区间置信度求取。第k轮迭代中(第1轮迭代中k＝1)，选择训练数据集内相邻的两个数据点(训练样本)，即x
n,i
(t-t
n,i
(k-1)
·
h)和x
n,i
(t-t
n,i
k
·
h)。将上述两个训练数据点分别赋予x
n,i
(e1)和x
n,i
(e2)，并判断两个训练数据与第i个参数的各区间参考值之间的位置关系，按照基于效用的信息转换技术将训练样本转换为不同模式下对应的区间置信度并形成相应的区间置信结构。相应的转换方法如下：如附图2所示，训练数据xn,i(ej)；j＝1,2可能落入区间
①
、
②
或
③
中之一，据此可区分三种状态(state)进行转换。
[0109]
state 1：当训练数据点落入区间
①
时，即根据基于效用的信息转换方法，训练数据被评估为等级hn和h
n 1
的区间置信度计算如下：
[0110]
且
[0111]
且
[0112]
state 2： 当训练数据点落入区间
②
时， 即训练数据被评估为等级hn和h
n 1
的区间置信度计算如下：
[0113]
且
[0114]
且
[0115]
state 3：当训练数据点落入区间
③
时，即训练数据被评估为等级hn和h
n 1
的区间置信度计算如下：
[0116]
且
[0117]
且
[0118]
对于一个不完整的评估而言，存在全局无知性，则分配给辨识框架全集h的区间置信度并可由以下公式求得：
[0119]
[0120][0121]
由公式(1)-(8)可得，每个训练数据点转换完成后的区间置信结构如下：
[0122][0123]
步骤3.1.3：根据所述相邻两个训练样本在不同评估等级下的区间置信度，计算相邻两个训练样本在不同评估等级下的区间概率质量；所述区间概率质量和所述区间参考值共同组成待优化参数。
[0124]
此步骤为区间概率质量计算。根据求得的每个训练样本在不同模式下的区间置信度，按照如下公式求取相应的区间概率质量和其中n＝1,
…
,n。
[0125][0126][0127][0128]
其中，wj为证据ej的相对权重，由于两个训练数据样本相对彼此同等重要，因此，设置w1＝w2＝0.5。另外，m
n,i
(ej)为证据ej分配给评估等级hn的概率质量，和是概率质量m
n,i
(ej)对应的上下界值。和是证据ej分配给辨识框架全集h的两部分概率质量。和分别为概率质量的上下界值。所有的概率质量的和满足以下约束条件：
[0129][0130]
至此，将所有的区间概率质量和区间参考值作为待优化的参数，组成相应的参数向量pk，表示如下：
[0131][0132]
步骤3.1.4：采用投影协方差自适应进化算法对所述待优化参数进行优化，生成优化后参数。
[0133]
此步骤为证据融合及阈值优化。构建基于er-irv的参数优化模型，所述优化方法采用投影协方差矩阵自适应进化算法(p-cma-es)对待优化参数pk进行优化，优化算法中的更新代数设置为100代，由此可得到第k轮的优化后参数，其中包括和所述的参数优化模型如下：
[0134]
[0135][0136][0137][0138][0139][0140][0141][0142][0143][0144]
步骤3.1.5：根据所述优化后参数对所述测试数据集中的测试样本进行虚警率和漏报率测试，判断是否满足优化截止条件。
[0145]
此步骤为优化截止条件判断。根据每一轮优化后得到的参考值(即优化后参数)和对第i个参数在模式n和模式n 1下的测试数据(即{x
n,i
(t
1-t),x
n,i
(t
1-t 1),
…
,x
n,i
(t1)}和{x
n 1,i
(t
2-t),x
n 1,i
(t
2-t 1),
…
,x
n 1,i
(t2)})进行虚警率(false alarm rate,far)和漏报率(missed alarm rate,mar)测试，所定义的优化截止条件为：|far
n,i-mar
n,i
|≤ε和|far
n 1,i-mar
n 1,i
|≤ε。其中，ε是一个很小的常数值，满足0≤ε《《1，|
·
|是绝对值运算。far
n,i
和mar
n,i
分别表示第i个关键参数在稳态工作模式n下的虚警率和漏报率；far
n 1,i
和mar
n 1,i
分别表示第i个关键参数在稳态工作模式n 1下的虚警率和漏报率。
[0146]
步骤3.1.6：若满足所述优化截止条件，将所述优化后参数作为所述优化阈值。
[0147]
若满足截止条件，则将相应的区间参考值作为第i个参数在模式n和模式n 1下的最优阈值(即所述优化阈值)，优化结束。
[0148]
所述优化阈值表示为公式(25)：
[0149][0150]
步骤3.1.7：若不满足所述优化截止条件，更新所述区间参考值和迭代次数，返回所述采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估
等级下的区间置信度的步骤。
[0151]
此步骤更新区间参考值。按照一定的更新速度，对本轮优化后的区间参考值进行更新。具体按照如下公式对本轮优化后的区间参考值进行更新：
[0152][0153][0154][0155][0156]
其中，c1到c4称为更新速度因子，并满足0＜c
l
＜1；l＝1,
…
,4。所述更新速度因子可以认为调节以实现对阈值更新速度的控制。r1到r4是4个单位随机数，其值处于0至1之间。
[0157]
随后更新迭代次数，使得k＝k 1，导入训练数据中的下两个训练样本点，返回步骤3.1.2，重复执行步骤3.1.2至3.1.7，直至满足优化截止条件。
[0158]
步骤3.2：在相邻两个评估等级区间参考值相互独立的情况下进行基于区间参考值证据推理的多模式阈值迭代优化，生成优化阈值。
[0159]
图5为本发明提供的多模式阈值优化流程图(情况二)。参见图5，所述步骤3.2具体包括：
[0160]
步骤3.2.1：获取训练数据集和测试数据集；所述训练数据集包括所述关键参数在所述稳态工作模式下的正常历史观测数据；所述测试数据集包括所述关键参数在所述稳态工作模式下的历史观测数据；所述历史观测数据包括正常数据和异常数据。
[0161]
导入训练数据和测试数据。收集获取第i个变量在稳态工作模式n下的正常历史观测数据作为训练数据集，表示为{x
n,i
(t-t
n,i
),x
n,i
(t-t
n,i
h),
…
,x
n,i
(t)}，其中h为训练数据的采样间隔。获取第i个变量在稳态工作模式n下的历史观测数据(含正常数据和异常数据)作为测试数据集，表示为{x
n,i
(t
1-t),x
n,i
(t
1-t 1),
…
,x
n,i
(t1)}。
[0162]
步骤3.2.2：采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估等级下的区间置信度。
[0163]
此步骤为区间置信度求取。第k轮迭代中(第1轮迭代中k＝1)，选择训练数据集内相邻的两个数据点(训练样本)，即x
n,i
(t-t
n,i
(k-1)
·
h)和x
n,i
(t-t
n,i
k
·
h)。将上述两个训练数据点分别赋予x
n,i
(e1)和x
n,i
(e2)，并判断两个训练数据与第i个参数的各区间参考值之间的位置关系，按照基于效用的信息转换技术将训练样本转换为不同模式下对应的区间置信度并形成相应的区间置信结构。相应的转换方法如下：如附图3所示，训练数据x
n,i
(ej)；j＝1,2可能落入区间
④
、
⑤
或
⑥
中之一，据此可区分三种状态(state)进行转换。
[0164]
state 1：当训练数据点落入区间
④
时，即说明训练数据完全属于评估等级hn，即对等级hn的置信度为1，对其他评估等级的置信度均为0。则相应的区间置信结构如下：
[0165]
m(xi(ej))＝{(h1,[0,0]),
…
,(hn,[1,1]),
…
,(hn,[0,0]),(h,[0,0])；n＝1,
…
,n}(30)
[0166]
state2：当训练数据点落入区间
⑤
时，即训练数据不属于评估等级hn和h
n 1
，相应的区间置信结构如下：
[0167]
m(xi(ej))＝{(h1,[0,0]),
…
,(hn,[0,0]),(h
n 1
,[0,0]),
…
,(hn,[0,0]),(h,[1,1])；n＝1,
…
,n}(31)
[0168]
state3：当训练数据点落入区间
⑥
时，即训练数据完全属于评估等级h
n 1
，即对等级h
n 1
的置信度为1，对其他评估等级的置信度均为0，则得到的区间置信结构如下：
[0169]
m(xi(ej))＝{(h1,[0,0]),
…
,(h
n 1
,[1,1]),
…
,(hn,[0,0]),(h,[0,0])；n＝1,
…
,n}(32)
[0170]
对于一个不完整的评估而言，存在全局无知性，则分配给辨识框架全集h的区间置信度并可由以下公式求得：
[0171][0172][0173]
由公式(30)-(34)可得，每个训练数据点转换完成后的区间置信结构如下：
[0174][0175]
步骤3.2.3：根据所述相邻两个训练样本在不同评估等级下的区间置信度，计算相邻两个训练样本在不同评估等级下的区间概率质量；所述区间概率质量和所述区间参考值共同组成待优化参数。
[0176]
此步骤为区间概率质量计算。根据求得的每个训练样本在不同模式下的区间置信度，按照如下公式求取相应的区间概率质量和其中n＝1,
…
,n。
[0177][0178][0179][0180]
其中，wj为证据ej的相对权重，由于两个训练数据样本相对彼此同等重要，因此，设置w1＝w2＝0.5。另外，m
n,i
(ej)为证据ej分配给评估等级hn的概率质量，和是概率质量m
n,i
(ej)对应的上下界值。和是证据ej分配给辨识框架全集h的两部分概率质量。和分别为概率质量的上下界值。所有的概率质量的和满足以下约束条件：
[0181]
[0182]
至此，将所有的区间概率质量和区间参考值作为待优化的参数，组成相应的参数向量pk，表示如下：
[0183][0184]
步骤3.2.4：采用投影协方差自适应进化算法对所述待优化参数进行优化，生成优化后参数。
[0185]
此步骤为证据融合及阈值优化。构建基于er-irv的参数优化模型，所述优化方法采用投影协方差矩阵自适应进化算法(p-cma-es)对待优化参数pk进行优化，优化算法中的更新代数设置为100代，由此可得到第k轮的优化后参数，其中包括和所述的参数优化模型如下：
[0186][0187][0188][0189][0190][0191][0192]
和和
[0193][0194]
步骤3.2.5：根据所述优化后参数对所述测试数据集中的测试样本进行虚警率和漏报率测试，判断是否满足优化截止条件。
[0195]
此步骤为优化截止条件判断。根据每一轮优化后得到的参考值(即优化后参数)和对第i个变量在模式n下的测试数据(即{x
n,i
(t
1-t),x
n,i
(t
1-t 1),
…
,x
n,i
(t1)})进行虚警率(false alarm rate,far)和漏报率(missed alarm rate,mar)测试，所定义的优化截止条件为：|far
n,i-mar
n,i
|≤ε。其中，ε的定义如情况一。
[0196]
步骤3.2.6：若满足所述优化截止条件，将所述优化后参数作为所述优化阈值。
[0197]
若满足截止条件，则将相应的区间参考值作为第i个参数在模式n下的最优阈值
(即所述优化阈值)，优化结束。
[0198]
所述优化阈值表示为公式(50)：
[0199][0200]
步骤3.2.7：若不满足所述优化截止条件，更新所述区间参考值和迭代次数，返回所述采用基于效用的信息转换方法计算所述训练数据集中相邻两个训练样本在不同评估等级下的区间置信度的步骤。
[0201]
此步骤更新区间参考值。按照一定的更新速度，对本轮优化后的区间参考值进行更新。具体按照如下公式对本轮优化后的区间参考值进行更新：
[0202][0203][0204]
其中，c1到c2称为更新速度因子，并满足0＜c
l
＜1；l＝1,2。所述更新速度因子可以认为调节以实现对更新速度的控制。r1到r2是2个单位随机数，其值处于0至1之间。
[0205]
随后更新迭代次数，使得k＝k 1，导入训练数据中的下两个训练样本点，返回步骤3.2.2，重复执行步骤3.2.2至3.2.7，直至满足优化截止条件。
[0206]
通过对l个不同变量x1,x2,
…
,x
l
在各种稳态模式下的初始阈值进行依次优化，能够得到相应的变量在不同稳态模式下的最优阈值，即
[0207]
步骤104：基于所述优化阈值进行星载转台在线故障检测。
[0208]
此步骤为基于优化阈值的在线故障检测。所述的基于优化阈值的故障检测过程为：
[0209]
过程4.1：基于优化后的阈值，对转台在不同模式下的多个属性值进行基于单变量阈值的在线故障检测；
[0210]
过程4.2：根据检测结果，若连续多点超出优化阈值，则进行故障报警。
[0211]
因此，所述步骤104基于所述优化阈值进行星载转台在线故障检测，具体包括：
[0212]
步骤4.1：根据所述优化阈值对星载转台在不同稳态工作模式下的多个关键参数进行基于单变量阈值的在线故障检测，生成单变量阈值检测结果。
[0213]
根据步骤103中变量xi在模式n下的优化阈值对所选择的关键变量x1,x2,
…
,x
l
分别进行单变量阈值检测。
[0214]
步骤4.2：根据所述单变量阈值检测结果进行故障报警。
[0215]
根据检测结果，若连续多点超出优化阈值，则进行故障报警。
[0216]
假设在t时刻收集到l个变量的实时在线数据分别为：x1(t),x2(t),
…
,x
l
(t)。对于每个实时在线数据xi(t)，若连续3个采样时刻的在线数据均超出n种稳态模式下的优化阈值(即：n＝1,
…
,n；i＝1,
…
,l)，则认为该变量异常，即发出故障告警(fault alarm)。故障判断准则定义如下：
[0217][0218]
其中，ms(xi(t))表示对连续3个实时数据xi(t)进行单变量阈值检测的结果。
[0219]
本发明方法的优点在于，实现了对星载转台多种工作模式下的监测阈值优化及在轨故障检测。本发明方法能够利用具有区间参考值的证据推理算法融合多模式下的系统工作阈值及历史观测数据，对多模式阈值进行离线优化，实现对星载转台的在轨故障检测。本发明方法适合于多种工作模式的部件阈值优化和故障检测，能够适用系统多模式切换带来的参数变化较大情况下的故障检测。同时，基于区间参考值证据推理阈值优化过程可以实现融合过程透明化，并以不同阈值下的虚警率和漏报率为优化截止条件，确保了优化结果的可解释性。
[0220]
下面提供一个具体实施例，进一步说明本发明方法的有效性。
[0221]
以某星载转台在轨遥测数据为例进行实施过程说明。该星载转台主要有两种稳态工作模式，即低速稳态模式和高速稳态模式。转台工作模式主要取决于卫星任务需求。通常情况下，卫星在轨主要有两种任务模式，任务模式1下需要转台低速匀速转动；任务模式2下需要驱动转台在高速匀速转动。转台在不同稳态工作模式下，其关键变量(关键参数)对应的工作阈值存在较大差异。选取星载转台在轨运行期间产生的转台角速度x1、转台电机电流x2和供电监测电压x3三个关键变量用以对其进行故障检测。其中，转台角速度x1主要用于反映转台实际的运行转速的指标，能够反映转台在相应模式下的转速保持能力；转台电机电流x2主要反映转台电机能够提供的驱动力矩大小的监测指标，能够反映转台摩擦力矩的大小；供电监测电压x3主要用于反映转台供电系统性能的指标，能够反映转台驱动供电系统的性能状态。
[0222]
根据以上分析，构建该星载转台的er-irv的多模式阈值优化框架，该框架的辨识框架由两个评估等级组成，表示为θ＝{h1,h2}，其中h1表示低速稳态模式，h2表示高速稳态模式，每个评估等级的参考值表示为一个区间参考值，每个区间参考值可依据表1中的各关键变量的初始阈值进行设置。例如，对于转台电机电流而言，其在低速稳态模式下的评估等级h
1,2
的区间参考值设置为
[0223]
表1.转台系统关键监测变量的初始阈值
[0224]
变量名低速稳态初始阈值高速稳态初始阈值单位转台角速度x1[2.0,4.0][59.0,61.0]
°
/s转台电机电流x2[0,0.4][0.9,1.7]a供电监测电压x3[5.0,7.0][4.0,5.5]v
[0225]
框架构建完毕后，可以按照步骤103的流程，区分两种情况对三个关键变量不同模式下的阈值进行优化。根据表1可知，转台角速度x1和转台电机电流x2两变量在两种稳态模式下的初始阈值区间相互独立，可按照步骤103中情况二的流程进行阈值优化；而供电监测电压x3的两种稳态模式下的初始阈值区间存在交叉，需要按照步骤103中情况一的流程进行阈值优化。通过阈值优化，得到各变量在高速稳态模式下的阈值优化结果如图6、7和8所示。各变量在不同稳态模式下的阈值优化结果如表2所示：
[0226]
表2.转台系统关键监测变量的阈值优化结果
[0227]
变量名低速稳态优化阈值高速稳态优化阈值单位转台角速度x1[2.9555,3.0508][59.4940,60.4761]
°
/s转台电机电流x2[0.1252,0.2748][1.1372,1.4748]a供电监测电压x3[5.5744,5.7994][4.5989,4.8529]v
[0228]
根据表2中得到的优化阈值，对三个关键变量分别进行单变量阈值检测。以星载转台在轨运行期间发生的因轴承摩擦力矩增大导致转台电机电流增大的异常为例，相应的故障检测结果如图9所示。由图9可知，采用初始阈值下的故障检测率为30.6％，而采用优化阈值下的故障检测率提升值97.6％。由此可见，采用优化后的阈值进行转台故障检测，能够有效提升故障检测率，验证了本发明方法的有效性。
[0229]
本发明方法创新利用证据推理算法融合多模式阈值及监测数据，并对多模式阈值进行优化，实现对星载转台的在轨故障检测，解决了入轨前多模式初始阈值设置不合理、初始阈值与在轨运行状态差异大带来的故障检测率低等问题。本发明能够充分融合专家知识，提高星载转台在轨故障检测能力，具有很好的工程应用价值。
[0230]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0231]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。